本研究提出了一种语言引导的少样本3D重建方法，解决了传统6D物体姿态估计对大数据集和高计算成本的依赖。该方法通过处理少量图像和语言查询，实现了高质量的3D网格重建，显著提高了准确性和效率。

本研究提出了一种名为语言引导视觉令牌修剪（LVPruning）的方法，旨在减少多模态大型语言模型的计算负担。该方法通过评估视觉令牌的重要性，能够将视觉令牌数量减少至多90%，仅导致约0.45%的性能损失，显示出良好的应用潜力。

本文探讨了语言引导的视觉导航（VLN）任务，提出了多种新方法和模型以提升智能体在连续环境中的导航表现。研究表明，结合大语言模型（LLMs）和持续学习机制，智能体的成功率可达80%。引入导航思维链和双循环场景回放，增强了导航策略的多样性和可解释性。

研究开发了一种名为语言引导的世界模型（LWMs），通过阅读语言描述来捕捉环境动态，提高了代理的通信效率。该模型使代理能够在执行前生成和讨论计划，增强了代理的可解释性和安全性，并提高了在真实环境中的性能。

DEF-oriCORN是一个面向语言引导的操控任务的框架，通过利用新颖的场景表示和状态估计算法，实现高效且稳健的操控规划。DEF-oriCORN在稀疏的RGB图像上表现出优越的估计和运动规划性能，并能够零样本推广到现实场景。

HazeCLIP是一种语言引导的适应框架，通过区域特定去雾技术和定制提示集，提高了预训练去雾网络在真实世界中的性能。实验证明HazeCLIP在真实世界图像去雾方面达到了最先进的性能。

该研究开发了一个语言引导的导航任务，通过执行低级动作来遵循自然语言导航方向，消除了以前关于环境的假设。研究发现，在连续环境中的性能较低，表明以前的“导航-图形”设定中的性能可能被过高评价了。

LMDrive是一种语言引导的闭环自动驾驶框架，能处理多模态传感器数据和自然语言指令，实现与人类和导航软件的交互。作者发布了包含64K个指令跟踪数据片段的数据集和测试系统，以促进基于语言的闭环自动驾驶的研究。作者进行了广泛的闭环实验以证明LMDrive的有效性。

本文介绍了PolarNet策略，使用3D点云进行语言引导的操纵任务。PolarNet通过点云输入、编码器和多模态变换器学习3D点云表示，并与语言指令集成以进行行动预测。在RLBench基准测试中，PolarNet在单任务和多任务学习中优于最先进的2D和3D方法，表现出高效和数据高效性。实际机器人上也取得了令人期待的结果。

研究开发了语言引导的世界模型（LWMs），通过阅读语言描述捕捉环境动态，提高代理的通信效率。该模型使代理能够生成和讨论计划，增强可解释性和安全性，并在真实环境中性能提高三倍。

研究开发了语言引导的世界模型（LWMs），通过阅读语言描述捕捉环境动态，提高代理的通信效率。该模型使代理能够生成和讨论计划，增强可解释性和安全性，并提高在真实环境中的性能。

研究开发了一种名为语言引导的世界模型（LWMs），通过阅读语言描述来捕捉环境动态，提高了代理的通信效率。该模型使代理能够在执行前生成和讨论计划，增强了代理的可解释性和安全性，并使其在真实环境中的性能提高了三倍。

研究开发了一种名为语言引导的世界模型（LWMs），通过阅读语言描述来捕捉环境动态，提高了代理的通信效率。该模型使代理能够在执行前生成和讨论计划，增强了代理的可解释性和安全性，并使其在真实环境中的性能提高了三倍。

研究人员提出了一种名为Instruct2Attack（I2A）的基于语言引导的语义攻击方法，利用潜态扩散模型生成对抗性潜态编码，生成更自然和多样的对抗性样本。通过GPT-4自动化攻击过程，生成多样的图像特定文本指令。研究表明，I2A能够成功破解深度神经网络，并具有强大的迁移能力。

该研究开发了一个语言引导的导航任务，消除了以前关于环境的假设。通过模拟以前的工作并进行单模态基线测试，发现在连续环境中的性能明显较低，表明以前的“导航-图形”设定中的性能可能被过高评价。

本文介绍了一种名为LANCE的算法，用于自动化模型应力测试。该算法利用语言引导和文本编辑技术，增加了IID测试集的多样性和挑战性，而不改变模型权重。作者对多个预训练模型进行了测试，发现它们在性能上有显著且一致的下降。此外，作者还分析了不同类型编辑对模型的敏感性，并展示了其在揭示ImageNet中未知类别级别模型偏差方面的应用。